[发明专利]一种基于快速全卷积神经网络的SAR目标分类方法

说明书

本发明提供一种基于快速全卷积神经网络的SAR目标分类方法，包括以下步骤：S1：对MASTAR数据集进行扩充S2：搭建步进≥2的特殊卷积层S3：搭建步进为2的全卷积神经网络S4：搭建步进为3的全卷积神经网络S5：搭建步进为4的全卷积神经网络S6：搭建快速全卷积神经网络根据步骤S3、步骤S4和步骤S5，采用3层卷积层进行特征提取、3层特殊卷积层进行下采样和2层全连接层分类的搭建。通过引入特殊卷积层进行下采样，可以大幅度提高卷积神经网络的训练效率，大大的改善现有SAR技术识别分类方面的困难，提高SAR图像的识别效率和准确度。

技术领域

本发明属于电子信息技术领域，具体地说，本发明涉及一种快速全卷积神经网络的SAR目标分类方法。

背景技术

随着合成孔径雷达(SAR)技术的成熟，人们能够获取的SAR图像数据越来越多。然而，SAR目标的解译一直是一个世界性难题，至今没有得到很好的解决。如今，SAR解译已经形成了一套比较成熟的体系，但是，仍然存在以下几个问题：1、需要大量的先验知识；2、识别的准确度不稳定；3、当应用场景特别大时，计算量庞大。近年来，随着机器学习和人工智能的快速发展，很多学者开始考虑利用卷积神经网络(CNN)来对SAR目标进行分类识别。但是，现有的SAR图像数据远远不能满足CNN的训练需求，与此同时，训练CNN模型需要大量的时间也制约了该技术的发展。

针对于传统CNN网络架构训练时间长的问题，快速全卷积神经网络(faster ACN)在保证识别准确度不明显下降的情况下能够减少大量的训练时间。通常，CNN模型一般由卷积层、池化层、全连接层等组成。卷积层负责特征提取；池化层负责下采样；全连接层负责最后的分类计算。这种固定的架构模式决定了CNN需要大量的训练数据是训练时间。鉴于此，本发明提出来一种快速全卷积神经网络(faster ACN)SAR目标分类方法。该方法的优势在于能够减少大量的模型训练时间，同时保持较高的识别准确度。

发明内容

针对现有技术存在的不足，本发明目的是提供一种基于快速全卷积神经网络(faster ACN)SAR目标分类方法。

为了实现上述目的，本发明的技术解决方案包含以下步骤：

S1：对MASTAR数据集进行扩充

针对现SAR数据训练样本不足的问题，本项操作采用图像翻转、缩放、加噪声、裁剪、移动等方式对现有MASTAR数据集进行扩充来满足训练需求；

S2：搭建步进≥2的特殊卷积层

传统卷积神经网络采用池化的方式进行下采样，现有的池化方式有最大值池化、最小值池化和平均值池化。本发明采用步进≥2的卷积层代替传统的池化层进行下采样，采用该方式既能实现下采样的目的，同时又可以对SAR图像数据进一步特征提取，在提高训练速度的同时，又可以保证整个网络的识别准确度。为了减小步进扩大带来的信息损失，本发明同时扩大特殊卷积层核的大小，通过扩大感受野的形式保证信息利用最大化。

S3：搭建步进为2的全卷积神经网络(ACN)

针对所述步骤S1得到的MASTAR数据集和所述步骤S2所建立的特殊卷积层，本发明先构建步进为2的全卷积神经网络。该网络采用步进为2，卷积核大小为2×2的卷积层进行下采样。特征提取的卷积层采用步进为1，卷积核大小为3×3，以此搭建一个全卷积层的网络。该网络在识别准确度上要优于传统的卷进神经网络。

S4：搭建步进为3的全卷积神经网络(ACN)

针对所述步骤S3搭建的全卷积神经网络，由于采用的步进和传统池化层的步进相当，同时2×2卷积层带来的参数训练使得整个网络的训练速度有所下降。为了提高训练效率，本发明扩大了特殊卷积层的步进，采用步进为3的卷积层进行下采样，同时将卷积核的大小调整为3×3，以此来优化训练的效果。

S5：搭建步进为4的全卷积神经网络(ACN)